Qwen-Image-2.1: Transparencia, edición con 10 referencias y salida 2K
Explora el modelo de imágenes unificado de 7B de Qwen-Image-2.1, con salida RGBA nativa, hasta 10 referencias, ediciones guiadas por máscaras y generación nativa en 2K.
1. Qwen-Image-2.1 utiliza un modelo de 7B tanto para generación como para edición
Qwen-Image-2.1 combina la generación de texto a imagen y la edición de imágenes en un único flujo de modelo. Su componente de generación visual utiliza una arquitectura DiT de flujo único de 32 capas con 7B parámetros. Qwen3-VL 8B codifica texto e imágenes condicionales, mientras que la atención de granularidad mixta y la reutilización de Prefix KV Cache reducen el cálculo repetido.
Este diseño resulta especialmente importante en la edición de múltiples imágenes. El modelo puede almacenar en caché las imágenes de referencia y las instrucciones de edición en lugar de procesar de nuevo el mismo contexto estático en cada paso de eliminación de ruido. Esto crea una base más eficiente para tareas que implican a una persona, ropa, zapatos, bolsos o varias referencias de diseño de interiores a la vez.
2. La generación nativa de imágenes transparentes ya está integrada
Un flujo de trabajo habitual consiste en generar primero una imagen estándar y eliminar después su fondo. En su lugar, Qwen-Image-2.1 puede generar imágenes con un canal Alpha nativo, editar capas transparentes existentes o extraer un sujeto seleccionado de una fotografía RGB normal como un recurso RGBA.
Esto hace que la capacidad sea relevante más allá de los stickers y las ilustraciones. Los recortes de productos, personas, elementos gráficos y texto transparente pueden pasar directamente a los flujos posteriores de diseño y composición.
Qwen también demuestra ediciones de expresiones y tipografía dentro de capas transparentes, además de la extracción de sujetos de fotos reales. El cambio práctico no consiste simplemente en que el modelo pueda eliminar un fondo. La generación, edición, extracción y salida de recursos transparentes ahora están integradas en el mismo modelo.
3. Hasta 10 imágenes de referencia permiten composiciones más complejas
Qwen-Image-2.1 admite hasta 10 imágenes de referencia. Las demostraciones oficiales incluyen combinar seis retratos en una foto grupal, crear un conjunto a partir de cinco referencias independientes y diseñar un interior con 10 imágenes de muebles.
Para los equipos de ecommerce y moda, la edición de imágenes con múltiples referencias puede reunir en una misma tarea al modelo, la prenda, los zapatos, el bolso y las referencias de estilismo. El flujo de trabajo ya no se limita a editar una imagen de origen a la vez.
4. Los círculos, las áreas pintadas y las máscaras independientes pueden guiar las ediciones locales
La edición local de imágenes no depende solo del texto. Los materiales de lanzamiento de Qwen muestran tres formas de identificar un área objetivo:
- Dibuja círculos de distintos colores alrededor de varias regiones que necesitan cambios independientes.
- Pinta sobre una ubicación para indicar al modelo dónde añadir o sustituir contenido.
- Proporciona la imagen original y una máscara independiente como dos entradas, preservando los píxeles de origen que ocultaría una anotación superpuesta.
Estas entradas son más precisas que describir en un prompt “el objeto de la izquierda” o “el elemento cerca de la parte superior”. También crean un método de control más claro para las ediciones iterativas y secuenciales.
5. Qwen destaca la fidelidad de retratos y productos
Qwen enumera la identidad en retratos y la consistencia de productos como dos áreas principales de mejora. Las ediciones de retratos buscan conservar rasgos faciales reconocibles, mientras que las ediciones de productos se centran en preservar la tipografía, la textura y la forma cuando el artículo se traslada a una nueva escena.
Esta capacidad es especialmente relevante para los flujos de trabajo de imágenes de productos, pero por ahora debe describirse como una demostración oficial de Qwen. Sin pruebas repetidas con las mismas entradas, la evidencia disponible no establece una fidelidad de producto constante de nivel de producción.
6. También mejoran la salida 2K nativa, la tipografía y la estética de los retratos
La implementación oficial utiliza un tamaño predeterminado de 2048 × 2048 y enumera dimensiones recomendadas para salidas 1:1, 4:3, 3:4, 3:2, 2:3, 16:9 y 9:16. Los materiales de lanzamiento de Qwen también muestran tipografía compleja, infografías, panorámicas, guiones gráficos generados a partir de vistas de personajes y retratos con una iluminación y un detalle más deliberados.
En conjunto, estas capacidades posicionan a Qwen-Image-2.1 como algo más que un modelo compacto de texto a imagen. Está diseñado para cubrir un recorrido más amplio, desde la generación de recursos hasta la edición posterior.
Lo que el lanzamiento de Qwen-Image-2.1 aún no demuestra
- Los ejemplos oficiales no incluyen suficientes prompts completos, ajustes ni resultados repetidos para establecer consistencia.
- Los materiales disponibles no confirman que WeShop haya integrado Qwen-Image-2.1 ni documentan los créditos de WeShop, el tiempo de generación y los ajustes disponibles.
- Los pesos abiertos utilizan la Licencia de Investigación de Qwen. La licencia oficial indica que el uso comercial de los materiales del modelo requiere una licencia comercial independiente.
- Qwen-Image-Bench es un benchmark publicado por el proveedor y no debe sustituir las pruebas en flujos de trabajo reales de ecommerce, diseño o retratos.
¿Quién debería prestar atención a Qwen-Image-2.1?
- Diseñadores visuales que necesitan personas, productos, stickers o elementos de composición transparentes.
- Equipos de ecommerce y moda que combinan modelos, ropa, zapatos, bolsos y otras referencias.
- Creadores que desean controlar ediciones locales con círculos, regiones pintadas o máscaras.
- Desarrolladores interesados en un modelo más pequeño, implementación local e inferencia más eficiente con múltiples imágenes.
Conclusión
El lanzamiento de Qwen-Image-2.1 se puede resumir en una frase: un componente de generación visual de 7B ahora gestiona imágenes estándar, imágenes transparentes, composición con múltiples referencias y edición local dentro de un mismo flujo creativo.
Sus capacidades documentadas más distintivas son la salida RGBA nativa y la compatibilidad con hasta 10 imágenes de referencia. La siguiente pregunta es con qué fiabilidad maneja productos complejos, retratos, tipografía y ediciones locales en generaciones repetidas del mundo real.